Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Este tema está basado en el capı́tulo 15 del libro de Montgomery de la bibliografı́a (repro-
grafı́a), donde los conceptos IMPORTANTES aparecen remarcados (subrayados).
73
74 Tema 3. Control estadı́stico de calidad
Para resolver esta cuestión podemos emplear los llamados planes de muestreo. Éstos podemos
clasificarlos en:
las normas norteaméricanas Milatary Standard MIL- STD- 105D; UNE 66020
Éste último tiene en cuenta el tipo de inspección, ası́ como el rigor de inspección.
Los muestreos pueden ser simples, dobles, múltiples y (en su caso extremo) secuencial (un
muestreo es secuencial cuando después de cada observación se toma una de las siguientes deci-
siones: aceptar el lote, rechazarlo o seguir con el muestreo).
Las tablas de estos planes y una explicación más detallada sobre muestreo podéis encontrarlos
por ejemplo en Johnson, Peña (vol. I) y sobre todo en cualquier libro sobre Control de Calidad.
En todo proceso aparece una cierta variabilidad en la calidad, debida a causas aleatorias o no
asignables: variabilidad de la materia prima, la precisión de las máquinas y de los instrumentos
de medida, destreza de los operarios, etc.
El gráfico de control es una técnica de vigilancia en lı́nea que puede ser utilizada para:
1. La detección rápida de causas asignables.
3. Obtención de información para la mejora del proceso, por ejemplo, reduciendo la variabil-
idad.
Ejemplo 3.1.: Una empresa de helados se dedica en una de sus plantas a la fabricación
de helados de chocolate. El helado se vende en tarrinas de 1.5dl, a las que se controla su peso.
A intervalos de tiempo de 10 minutos, se extraen cuatro tarrinas durante la producción y se
considera su peso medio.
Si un punto se localiza fuera de los lı́mites de control o aun encontrándose entre los lı́mites de
control, si se comportan de manera sistemática o no aleatoria, entonces también es un indicador
de que el proceso está fuera de control. Existe una relación entre los gráficos de control y el
contraste de hipótesis, estudiado en el tema anterior ´:
1. En cada punto del gráfico estamos contrastando la hipótesis de que el proceso se encuentra
en estado de control estadı́stico.
2. Tenemos la probabilidad de error tipo I (concluir que el proceso está fuera de control cuando
no lo está) y la probabilidad del error tipo II (concluir que el proceso está bajo control
cuando no lo está).
Un modelo general de gráfico de control serı́a como sigue: sea W el estadı́stico muestral que
mide la caracterı́stica de calidad en la que se tiene interés. Las lı́neas central, inferior y superior
vienen dadas por
LSC = µW + kσW ,
LC = µW ,
LIC = µW − kσW ,
donde
µW = media de W ,
σW = desviación tı́pica de W
y k es la ”distancia” de la lı́nea central a los lı́mites de control, siendo k = 3 una elección bastante
común. Estamos suponiendo que tanto la media, µW , como la desviación tı́pica de W son cono-
cidas. Obviamente habitualmente esto no es ası́. Los parámetros son tı́picamente desconocidos
y los habremos de estimar a partir de la muestra. La idea de utilizar estos gráficos se debe a
Walter A. Shewhart y se habla del gráfico de control de Shewhart.
En otras palabras, lo anterior se resumirı́a en los siguiente: el fundamento teórico de una gráfi-
ca de control se basa en la construcción, a partir de los valores de la esperanza µ y la desviación
tı́pica σ del modelo teórico de distribución que sigue la caracterı́stica de calidad, de un intervalo
de control (generalmente [µ - 3σ , µ + 3σ]). Dentro de este intervalo están casi todos los valores
muestrales del proceso, si éste se encuentra bajo control. Las muestras se obtienen a intervalos
regulares de tiempo. Un punto que cae fuera de los lı́mites de control, indicarı́a que el proceso
está fuera de control.
En el punto 15.4.2. se muestra un ejemplo sobre el diseño de una gráfica de control. Nosotros
usaremos el siguiente ejemplo:
de control y detectar una condición fuera de control. Según estas reglas un proceso está fuera de
control cuando:
4. Entendemos que en las dos reglas anteriores los puntos que caen fuera de los lı́mites de
control están en el mismo lado, esto es, o son todos mayores que el lı́mite superior corre-
spondiente o menor que el lı́mite inferior.
Los gráficos de control X̄ y R (para caracterı́sticas de calidad continuas), para los que los
valores superior e inferior del gráfico de control X̄ son:
¯ + A2 r̄
LSC = x̄
¯
LC = x̄
¯ − A2 r̄
LIC = x̄
¯= m 1 Pm
donde x̄ i=1 X̄i (X̄i es la media muestral de la muestra i-ésima, calculada con los n valores
1 Pm
de cada muestra y m es el número total de muestras), r̄ = m i=1 i (donde Ri es el rango de
R
la muestra i-ésima) y la constante A2 aparece tabulada.
Por otro lado, la lı́nea central y los lı́mites de control superior e inferior de un gráfico R son:
LSC = D4 r̄
LC = r̄
LIC = D3 r̄.
test, se seleccionan aleatoriamente tres de estos programas de una colección que poseen esen-
cialmente el mismo tipo de instrucciones y llamadas Entrada/Salida. Se toman 20 muestras,
calculándose el tiempo medio y rango.
Los datos de las medias y rangos son los siguientes:
3,22 0,88
4 0,72
3,38 0,68
3,02 0,5
3,23 0,64
3,66 0,37
3,9 0,75
2,98 0,45
3,44 0,64
3,32 1,33
5,02 1,21
2,98 0,39
3,66 0,64
3,88 0,8
3,02 0,62
4,1 0,58
3,22 0,45
3,25 0,69
3,87 0,73
3,5 0,6
Los gráficos de X̄ y R que se obtienen con esos datos están en el anexo, junto con los gráficos
recalculados tras eliminar el punto 11. Estima también la media y desviación tı́pica, una vez que
el proceso estuviera bajo control.
c) Rachas: 7 puntos consecutivos por encima o debajo de la media. Puede indicar (si R
está bajo control) cambios en la media (por cambios en la materia prima, el servicio de manten-
imiento, etc.)
i Si en lugar de valores pequeños para n, se usan valores mayores que 10 o 12, la estimación
de la desviación tı́pica basándonos en el rango es poco eficaz, ası́ que se utilizarán los gráficos X̄
y S, cuyos lı́mites pueden calcularse y serı́an para el gráfico X̄:
¯ + A3 S̄
LSC = x̄
¯,
LC = x̄
¯ − A3 S̄
LIC = x̄
con A3 tabulada y
m
1 X
S̄ = Si ,
m
i=1
siendo Si la desviación tı́pica de la muestra i-ésima. Los lı́mites para el gráfico S serı́an:
LSC = B4 S̄,
LC = S̄,
LIC = B3 S̄,
Í El punto 15.6 sólo se tratará en prácticas: se presentarán los gráficos de control para
mediciones individuales, pues en ocasiones el tamaño muestral es n =1, como en las siguientes:
LSE − LIE
ICP = ,
6σ
donde LSE y LIE son los lı́mites superior e inferior de especificación.
Se mostrará la interpretación del ICP: (1/ICP)100 es el porcentaje del ancho de las especifi-
caciones utilizadas por el proceso, por ello:
(a) ICP > 1: pocas unidades defectuosas.
(b) ICP = 1: 0.27 % de unidades defectuosas.
(c) ICP < 1: muchas unidades defectuosas.
La definición de ICP asume que el proceso está centrado en la dimensión nominal. Es razonable
considerar ICP como una medida de la capacidad potencial (si estuviera centrado entonces sı́ que
medirı́a su capacidad). Por ello, se define ICPk como un indicador más robusto frente a la no
centralidad del proceso:
LSE − µ µ − LIE
ICPk = mı́n{ , }.
3σ 3σ
En muchas compañı́as se suele utilizar: ICP=1.33 de un modo genérico y ICP=1.66 si la car-
acterı́stica de calidad se refiere a resistencia, seguridad u otras caracterı́sticas crı́ticas. También
se utiliza ICPk = 2 que recibe el nombre de proceso 6-sigma ya que la distancia entre la media
y la especificación más cercana es de seis desviaciones estándar.
b Ejemplo 3.2.: Para este ejemplo, supondremos que las especificaciones son 4.4 ± 0.05
mm. Calcula los dos ı́ndices anteriores, y también la probabilidad de producir unidades por enci-
ma, por debajo de las especificaciones, y en definitiva defectuosas.
promedio (ARL, average run length) que nos proporcionará el número medio de puntos que deben
representarse antes que cualquier punto exceda los lı́mites de control. Si p es la probabilidad de
que cualquier punto exceda los lı́mites de control, entonces ARL = 1/p.
b Ejemplo 3.2.: Supongamos que el proceso se sale de control y la media se corre a 4.37.
¿Cuál es la probabilidad de que el desplazamiento se detecte en la primera muestra después del
corrimiento? ¿Cuál es la ARL después del corrimiento?
r
p̄(1 − p̄)
LSC = p̄ + 3
n
LC = p̄
r
p̄(1 − p̄)
LIC = p̄ − 3 ,
n
donde p̄ es el estimador de p (fracción defectuosa del proceso), obtenido mediante:
m
1 X
p̄ = p̂i
m
i=1
Estos lı́mites se han basado en la aproximación normal de la binomial, que podrı́a no ser
adecuada si p es pequeño. Si el número de muestras tomadas cada vez no es el mismo, los lı́mites
se calcuları́an análogamente, produciendo lı́mites no constantes de muestra a muestra.
durante un periodo de 25 horas, selecciona al azar 100 fusibles de la lı́nea de producción y los
prueba, obteniendo el número de fusibles defectuosos. Los datos fueron (fusibles defectuosos de
los 100, tomados cada hora):6 4 9 3 0 6 4 2 1 2 6 3 4 5 5 4 1 3 0 3 7 9 2 11 3. Calcula los lı́mites
de la gráfica de control P con estos datos. Determina si el proceso está bajo control. De no ser
ası́, supongamos que pueden encontrarse las causas asignables y que los puntos fuera de control
pueden eliminarse, tras lo cual, revisa los lı́mites de control. (En el anexo de las gráficas, puedes
encontrar estos gráficos).
Cuando un punto muestral caiga fuera de los lı́mites de control, las posibles opciones son:
De igual forma, es posible controlar el número de unidades defectuosas en una muestra, para
lo cual usarı́amos las gráficas N P , con lı́mites (n es el tamaño muestral de cada muestra):
p
LSC = np̄ + 3 np̄(1 − p̄)
LC = np̄
p
LIC = np̄ − 3 np̄(1 − p̄)
C
U= ,
n
es el promedio de defectos por unidad. Con m muestras preliminares y valores aleatorios U 1 , . . . , Um
entonces el número medio de defectos por unidad es
m
1 X
Ū = Ui .
m
i=1
Este gráfico, a diferencia del gráfico C (que se verá seguidamente), se puede utilizar en aque-
llos casos en que no se puede tomar una unidad del mismo tamaño para controlar el número de
defectos, pudiendo obtener lı́mites no constantes.
b Ejemplo 3.5.: [Número de defectos en cubiertas para PCs] Unas cubiertas para com-
putadoras personales se fabrican por moldeo por inyección. Se toman periódicamente muestras
de cinco cubiertas del proceso y se registra el número de defectos. Los datos obtenidos para 25
muestras fueron: 3 2 0 1 4 3 2 4 1 0 2 3 2 8 0 2 4 3 5 0 2 1 9 3 2. Calcula los lı́mites de la gráfica de
control U con estos datos. Determina si el proceso está bajo control. De no ser ası́, supongamos
que pueden encontrarse las causas asignables y que los puntos fuera de control pueden eliminarse,
tras lo cual, revisa los lı́mites de control. (En el anexo de las gráficas, puedes encontrar estos
gráficos).
√
LSC = c̄ + 3 c̄
LC = c̄
√
LIC = c̄ − 3 c̄
(Sol. : media: 431 ± 33.17 y rango: (0,103.8); media: 431, desviación tı́pica: 22.1; ICP =
0.45, ICPk = 0.437, proceso no centrado y proceso no apto; 17.59 %)
a) Utilizando todos los datos, calcula los lı́mites de control para una gráfica U.
b) ¿Puede concluirse que el proceso está bajo control? De no ser ası́, supón que pueden
encontrarse las causas asignables, y recalcula los lı́mites de control una vez eliminados
los puntos fuera de control.
(Sol. : LCS= 3.811 LC=1.94167 LCI= 0.072; hay dos puntos fuera de control, LCS= 3.463
LC=1.709 LCI= 0)
3. Se usa una matriz de extrusión para producir varillas de aluminio. El diámetro de las
varillas es una caracterı́stica crı́tica de la calidad. Se toman 19 muestras de cinco varillas
cada una. Las especificaciones de las varillas son 35 ± 9, y los datos obtenidos fueron:
19
X 19
X
x̄i = 647,8, y ri = 109.
i=1 i=1
a) Usando dichos datos, calcula los lı́mites de control de prueba de los gráficos X̄ y R.
b) Suponiendo que el proceso está bajo control, estima la media y desviación tı́pica del
proceso.
c) ¿Cuál es el porcentaje de unidades defectuosas que se está produciendo en este pro-
ceso?
85
86 Tema 3. Control estadı́stico de calidad
(Sol. : media : LCS= 37.4 LC=34.0947 LCI= 30.78, rango: LCS= 12.13 LC=5.737 LCI=
0; 34.0947 y 2.466 respectivamente; 0.05 %; 1.22 y 1.1 proceso no centrado y tampoco
llegarı́a a 1.33, su capacidad no serı́a alta;0.7088; 1.41)
20
X 20
X
x̄i = 214,25, y ri = 135.
i=1 i=1
a) Usando dichos datos, calcula los lı́mites de control de prueba de los gráficos X̄ y R.
b) Suponiendo que el proceso está bajo control, estima la media y desviación tı́pica del
proceso.
c) Si las especificaciones son 10 ± 5, ¿cuál es el porcentaje de unidades defectuosas que
se está produciendo en este proceso?
d) Calcula el ICP e interprétalo.
e) Supongamos que la media se corre a 14.5. ¿Cuál es la probabilidad de que el desplaza-
miento se detecte en la primera muestra después del corrimiento?
f) ¿Cuál es la ARL después del corrimiento?
(Sol. : media : LCS= 15.63325 LC=10.7125 LCI= 5.79175, rango: LCS= 15.4035 LC=6.75
LCI= 0; 10.7125 y 3.278 respectivamente; 13.6 %; 0.508 el proceso es muy pobre;0.245;
4.08)
5. El contenido de cobre de un baño de plateado se mide tres veces por dı́a. A continuación
se muestran los datos obtenidos en 25 dı́as:
25
X 25
X
x̄i = 157,09, y ri = 28,32.
i=1 i=1
a) Usando dichos datos, calcula los lı́mites de control de prueba de los gráficos X̄ y R.
b) Suponiendo que el proceso está bajo control, estima la media y desviación tı́pica del
proceso.
c) Si las especificaciones son 6 ± 1, ¿cuál es el porcentaje de unidades defectuosas que
se está produciendo en este proceso?
d) Calcula el ICPk e interprétalo.
e) Supongamos que la media se corre a 5.5. ¿Cuál es la probabilidad de que el desplaza-
miento se detecte en la primera muestra después del corrimiento?
(Sol. : media : LCS= 7.4424 LC=6.2836 LCI= 5.12474, rango: LCS= 2.91696 LC=1.13
LCI= 0; 6.2836 y 0.6691 respectivamente; 16.97 %; 0.35689 el proceso es muy pobre;0.163;
6.13)
a) Utilizando todos los datos, calcula los lı́mites de control para una gráfica P.
b) ¿Puede concluirse que el proceso está bajo control? De no ser ası́, supón que pueden
encontrarse las causas asignables, y recalcula los lı́mites de control una vez eliminados
los puntos fuera de control.
(Sol. : LCS= 0.099 LC=0.04 LCI= 0; hay un punto fuera de control, LCS= 0.094 LC=0.037
LCI= 0)
2. Ejercicio 2: Deben construirse las gráficas de control X̄ y R para una importante carac-
terı́stica de calidad. El tamaño de la muestra es n = 5, y x̄ y r se calculan para cada una
de 35 muestras preliminares. Los datos resumidos son:
35
X 35
X
x̄i = 7805, y ri = 1200.
i=1 i=1
Supongamos que la caracterı́stica de calidad tiene una distribución normal con las
especificaciones 220 ± 40. Si la pieza supera el lı́mite superior de especificación puede
reelaborarse. Sin embargo, si está por debajo del lı́mite inferior de especificación debe
desecharse.
89
90 Tema 3. Control estadı́stico de calidad
202
200
198
0 4 8 12 16 20 24
Subgroup
4,43
UCL = 4,4275
CTR = 4,3900
4,41
LCL = 4,3525
X-bar
4,39
4,37
4,35
0 4 8 12 16 20 24
Subgroup
5,2
UCL = 4,2318
4,8 CTR = 3,5325
4,4 LCL = 2,8332
X-bar
4
3,6
3,2
2,8
0 4 8 12 16 20
Subgroup
5,1
UCL = 4,1251
4,7 CTR = 3,4542
4,3 LCL = 2,7833
X-bar
3,9
3,5
3,1
2,7
0 4 8 12 16 20
Subgroup
Gráfico de control para la media del ejemplo 3.3 (eliminado el punto 11)
1,8
UCL = 1,6877
1,5 CTR = 0,6558
1,2 LCL = 0,0000
Range
0,9
0,6
0,3
0
0 4 8 12 16 20
Subgroup
Gráfico de control para el rango del ejemplo 3.3 (eliminado el punto 11)
p Chart for Fusibles/100
0,12
UCL = 0,1008
0,1 CTR = 0,0412
0,08 LCL = 0,0000
0,06
p
0,04
0,02
0
0 5 10 15 20 25
Subgroup
0,04
0,02
0
0 5 10 15 20 25
Subgroup
1,8
UCL = 1,5029
1,5 CTR = 0,5280
1,2 LCL = 0,0000
0,9
u
0,6
0,3
0
0 5 10 15 20 25
Subgroup
1,8
UCL = 1,3018
1,5 CTR = 0,4261
1,2 LCL = 0,0000
0,9
u
0,6
0,3
0
0 5 10 15 20 25
Subgroup